2025-10-21 Flipkart采用分层联邦架构，有效解决了大规模监控指标扩展难题。

1. 分阶段推荐架构：通过预取（Prefetching）在事件发生前分散负载，并在关键时刻通过低基数消息广播触发本地设备使用已预取数据。 2. 流量削峰填谷：在非关键时期分散数据请求，有效避免直播事件开始时的流量洪峰和对核心服务的冲击。 3. 可靠性与同步：利用“至少一次”广播机制和时间戳，确保设备即使在网络不稳定时也能追赶更新，保证用户体验的实时性。 4. 缓存同步优化：通过对服务器和客户端缓存TTL增加抖动，解决了固定TTL导致缓存同时失效和刷新造成的“迷你惊群效应”。 5. 自适应流量分片与优先级：根据事件信号将直播流量路由到专用集群，并动态调整优先级，确保关键服务在高压下仍能稳定运行。

⚠️

值得注意

1. 成本与复杂性：预取和低基数广播需要额外的存储和计算资源来管理预取数据，以及复杂的消息路由和设备端逻辑，增加了整体架构的复杂性和维护成本。 2. 用户体验权衡：尽管实现了实时推荐，但“低基数消息”意味着广播内容有限，高度依赖设备端逻辑进行渲染，可能牺牲推荐的个性化和动态丰富性。 3. 通用性限制：这种针对直播事件的特定优化，其方案并非完全适用于所有实时推荐场景，尤其是在内容迭代速度快、用户偏好变化频繁的VOD（视频点播）场景。 4. 过度日志与资源占用：文中提到流量高峰导致非必要日志过多，这反映出在架构设计时对可观测性层面优化不足，可能造成资源浪费和分析困难。

原文

◆

公司前端项目ESLint规则集统一化

掘金前端本周最热•发布于 10月21日

知识洞察型•工程架构•评分: 7/10

ESLintMonorepo自动化发版工程化

原文

◆

需求合规性：利用LLM提升数据标注质量

Uber Blog•发布于 10月21日

知识洞察型•数据标注•评分: 7/10

数据标注LLM质量控制uLabelSOP

🔬

技术洞察

1. LLM驱动的规则提取：利用LLM从SOP文档中自动提取原子化、无歧义的质量规则，并分类为格式、确定性、主观性和复杂主观性检查。 2. 实时标注质量验证：在内部标注工具uLabel中实现实时、并行的规则验证，根据规则类型智能路由到不同LLM（非推理型或推理型LLM），提供即时反馈和修改建议。 3. 减少返工与成本：通过在标注过程中提前发现并纠正错误，将所需审计工作量减少了80%，显著降低了数据标注的返工成本和时间。 4. 结合人工与AI：允许手动添加规则并由LLM进行格式和重叠检查，实现了人机协作，确保规则集的全面性和高质量。 5. 隐私保护：LLM调用被设计为无状态且隐私保护，确保客户端SOP数据不会被保留或用于模型训练，维护数据完整性和机密性。